{
  "id": "trapezoidal-rule",
  "title": "梯形公式",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "梯形公式用连接函数采样点的直线段近似函数，并通过梯形面积的加权求和来近似计算定积分。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "梯形求积公式",
    "梯形法",
    "梯形积分法"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/trapezoidal-rule/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/trapezoidal-rule/",
      "json": "https://aiwiki.page/en/trapezoidal-rule.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "梯形公式是数值分析中利用函数在选定点处的值来近似计算定积分的方法。它用直线段替代相邻两点之间的函数曲线，再对所得的分段线性近似函数积分。对于固定区间上足够光滑的函数，复合梯形公式的误差与等距节点间距的平方成正比。由于简单易用、适用于不等距数据，而且对光滑周期函数具有异常快的收敛速度，梯形公式成为一种广泛使用的积分方法。"
    },
    {
      "heading": "基本公式与几何解释",
      "text": "对于区间 \\([a,b]\\) 上的函数 \\(f\\)，单区间梯形公式为\n\n\\[\\int_a^b f(x)\\,dx \\approx T=\\frac{b-a}{2}\\bigl[f(a)+f(b)\\bigr].\\]\n\n右侧表达式是连接 \\((a,f(a))\\) 与 \\((b,f(b))\\) 的直线在该区间上的积分。当两个端点的函数值均非负时，它就是一个梯形的面积，该梯形两条相互平行的竖直边长度分别为 \\(f(a)\\) 和 \\(f(b)\\)。当函数值为负，或直线穿过横轴时，公式仍给出相应的带符号积分。\n\n等价地说，这一公式将区间宽度乘以两个端点函数值的算术平均值。它对所有次数不超过一的多项式都能给出精确结果，但并非对所有二次多项式都精确，因此其代数精度为一。\n\n这一公式也可以看作对线性插值函数求积分。在牛顿–柯特斯公式的分类中，它是使用积分区间两个端点的最简单的闭型公式。"
    },
    {
      "heading": "复合梯形公式",
      "text": "仅用一条直线段可能无法很好地近似弯曲的函数图像。复合梯形公式将区间划分为较小的子区间，并在每个子区间上应用基本公式。\n\n对于分割\n\n\\[a=x_0<x_1<\\cdots<x_n=b, \\qquad h_i=x_{i+1}-x_i,\\]\n\n近似值为\n\n\\[T_n= \\sum_{i=0}^{n-1} \\frac{h_i}{2} \\bigl[f(x_i)+f(x_{i+1})\\bigr].\\]\n\n这一公式适用于不等距节点。当测量数据已经在固定但不规则分布的位置采集完毕时，它尤其有用。\n\n对于等距节点，令\n\n\\[h=\\frac{b-a}{n}, \\qquad x_i=a+ih.\\]\n\n则\n\n\\[T_n= h\\left[ \\frac{f(a)}{2} +\\sum_{i=1}^{n-1}f(x_i) +\\frac{f(b)}{2} \\right].\\]\n\n每个内部节点的函数值都对相邻两个子区间有贡献，总权重为 \\(h\\)；每个端点的权重则为 \\(h/2\\)。\n\n对于连续函数，当最大子区间宽度趋于零时，这些近似值收敛于积分值。更一般地，对于有界的黎曼可积函数，同样具有这种收敛性。这是因为梯形近似值是同一分割下左端点与右端点黎曼和的平均值。"
    },
    {
      "heading": "误差与收敛性",
      "text": "单区间误差\n\n设 \\(f\\) 在 \\([a,b]\\) 上具有连续的二阶导数。则存在一点 \\(\\xi\\in(a,b)\\)，使得\n\n\\[\\int_a^b f(x)\\,dx-T = -\\frac{(b-a)^3}{12}f''(\\xi).\\]\n\n误差的一个精确积分表达式为\n\n\\[T-\\int_a^b f(x)\\,dx = \\frac12 \\int_a^b (x-a)(b-x)f''(x)\\,dx.\\]\n\n这一表达式解释了误差的符号。对于凸函数，连接端点的弦位于函数图像上方，因此梯形公式会高估积分值。对于凹函数，它则会低估积分值。\n\n复合公式的误差\n\n对于 \\(n\\) 个等宽子区间，若二阶导数连续，则存在某个 \\(\\xi\\in(a,b)\\)，使得\n\n\\[\\int_a^b f(x)\\,dx-T_n = -\\frac{b-a}{12}h^2 f''(\\xi)\\]\n\n成立。因此，若\n\n\\[M_2=\\max_{x\\in[a,b]}|f''(x)|,\\]\n\n则\n\n\\[\\left|\\int_a^b f(x)\\,dx-T_n\\right| \\le \\frac{b-a}{12}h^2M_2 = \\frac{(b-a)^3}{12n^2}M_2.\\]\n\n因此，复合梯形公式具有二阶精度，通常用大O记号将其误差写为 \\(O(h^2)\\)。进入这一渐近收敛阶段后，将节点间距减半，通常会使误差减小到原来的约四分之一。\n\n对于宽度不等的子区间，相应的误差界为\n\n\\[\\left|\\int_a^b f(x)\\,dx-T_n\\right| \\le \\frac{M_2}{12} \\sum_{i=0}^{n-1}h_i^3.\\]\n\n这些基于二阶导数的误差界不能直接用于具有奇点、间断点或光滑性不足的函数。这类函数仍可能可积，但其收敛速度需要另行分析。\n\n示例\n\n对于 \\([0,1]\\) 上的 \\(f(x)=x^2\\)，积分的精确值为 \\(1/3\\)。取四个等宽子区间，得到\n\n\\[T_4= \\frac14 \\left[ \\frac{0}{2} +\\frac1{16} +\\frac14 +\\frac9{16} +\\frac12 \\right] = \\frac{11}{32}.\\]\n\n误差为\n\n\\[T_4-\\frac13=\\frac1{96}.\\]\n\n由于 \\(f''(x)=2\\) 为常数，复合公式的误差表达式能精确给出这一误差。"
    },
    {
      "heading": "误差展开与外推",
      "text": "对于足够光滑的函数，欧拉–麦克劳林公式给出了更详细的误差描述：\n\n\\[T_n-\\int_a^b f(x)\\,dx = \\frac{h^2}{12}\\bigl[f'(b)-f'(a)\\bigr] -\\frac{h^4}{720}\\bigl[f'''(b)-f'''(a)\\bigr] +\\cdots.\\]\n\n在适当的光滑性假设下，这是一个渐近展开，未必是收敛的无穷级数。它表明，端点处导数的差决定了误差的主导项。特别地，若 \\(f'(a)=f'(b)\\)，通常的 \\(h^2\\) 项就会消失。\n\n这一展开也为理查森外推法提供了依据。若 \\(T_n\\) 和 \\(T_{2n}\\) 分别采用间距 \\(h\\) 和 \\(h/2\\)，则\n\n\\[R=\\frac{4T_{2n}-T_n}{3}\\]\n\n会消去 \\(h^2\\) 阶的主导误差。在光滑性充分的条件下，\\(R\\) 的误差为 \\(O(h^4)\\)。这一组合等价于在较细网格上应用复合辛普森公式。\n\n对逐次加密网格得到的梯形近似值反复进行外推，就得到龙贝格积分。"
    },
    {
      "heading": "周期函数的快速收敛",
      "text": "在一个完整周期上对光滑周期函数积分时，梯形公式的收敛速度可以远快于二阶。\n\n若 \\(f\\) 的周期为 \\(L\\)，则其两个端点的函数值相等，复合公式变为\n\n\\[T_n=\\frac{L}{n} \\sum_{j=0}^{n-1} f\\left(a+\\frac{jL}{n}\\right).\\]\n\n此时无须单独计算重复端点的函数值。若各阶导数在两端也都相等，则欧拉–麦克劳林展开中所有相应的端点项均为零。\n\n对于无穷次可微的周期函数，误差衰减得比 \\(n\\) 的任意固定负幂都快。若函数能解析延拓到实轴周围的某个复平面带状区域内，则收敛速度为指数级，其速率由可解析延拓的带状区域宽度决定。\n\n从傅里叶级数的角度可以解释这一现象。等距采样对大多数傅里叶模态都能精确积分，而频率为 \\(n\\) 的非零整数倍的模态则通过混叠产生贡献。对于光滑周期函数，这些高频系数很小；对于满足适当条件的解析函数，它们则呈指数衰减。\n\n仅有周期性并不能保证快速收敛。间断点或边界处导数不匹配，都可能使收敛速度重新降为较慢的代数阶。"
    },
    {
      "heading": "实现与自适应加密",
      "text": "复合梯形公式只需计算一个加权和，因此实现起来很直接。它还允许高效地加密网格：当等宽子区间的数量加倍时，只需计算新增中点处的函数值。具体而言，\n\n\\[T_{2n} = \\frac12T_n + \\frac h2 \\sum_{i=0}^{n-1} f\\left(a+\\left(i+\\frac12\\right)h\\right),\\]\n\n其中 \\(h=(b-a)/n\\) 是原来的节点间距。\n\n当以 \\(h^2\\) 为主导项的误差模型有效时，\n\n\\[\\left|\\int_a^b f(x)\\,dx-T_{2n}\\right| \\approx \\frac{|T_{2n}-T_n|}{3}.\\]\n\n这一估计可用于指导自适应求积，即有选择地细分部分区间，而不是均匀加密所有区间。它是渐近估计，而不是有保证的误差界：两个网格都可能漏掉一个窄峰，也可能在对振荡函数采样时给出误导性的结果。\n\n在浮点运算中，无限减小节点间距不一定能改善结果。舍入误差、相消误差、函数求值不准确以及采样数据中的不确定性，最终都可能超过离散化误差，成为主要误差来源。对于项数很多的加权和，成对求和或补偿求和可以减少累积误差。"
    },
    {
      "heading": "应用与局限",
      "text": "梯形公式尤其适用于：\n\n- **表格数据与实验数据：**可直接使用观测值，包括不等距的观测数据。\n- **累积积分：**依次累加各子区间的贡献，可在每个数据点处得到 \\(\\int_a^{x_k}f(x)\\,dx\\) 的近似值。\n- **光滑周期问题：**使用简单的均匀网格即可达到很高的精度。\n- **反复加密：**嵌套网格允许复用已有的函数求值结果。\n- **多维积分：**张量积形式沿每个坐标方向应用梯形公式，但其计算成本会随维数迅速增长。\n\n对于含噪声的数据，这一方法积分的是观测值的分段线性表示；它既不能消除测量误差，也不能重建采样点之间未被分辨出的变化。\n\n对于可以自由求值的非周期光滑函数，高阶求积公式可能以更少的函数求值次数达到给定精度。端点奇性、间断点和强烈振荡可能需要通过区间分割、变量变换或专门的积分方法处理。在高维情况下，张量积梯形公式会遇到维数灾难。"
    },
    {
      "heading": "与微分方程梯形法的关系",
      "text": "将同一求积公式用于相关问题，可以得到求解常微分方程的梯形法。对于方程\n\n\\[y'(t)=F(t,y(t)).\\]\n\n在一个时间步上积分，并应用梯形公式，得到\n\n\\[y_{k+1} = y_k+ \\frac h2 \\left[ F(t_k,y_k)+F(t_{k+1},y_{k+1}) \\right].\\]\n\n与对已知函数求积不同，这一公式通常需要求解一个关于未知量 \\(y_{k+1}\\) 的方程。因此，它是一种隐式方法。\n\n对于测试方程 \\(y'=\\lambda y\\)，其放大因子为\n\n\\[R(z)=\\frac{1+z/2}{1-z/2}, \\qquad z=h\\lambda.\\]\n\n只要 \\(\\operatorname{Re}z\\le0\\)，它就满足 \\(|R(z)|\\le1\\)，因此按数值稳定性的术语，它是 A 稳定的。然而，当 \\(z\\) 趋于负无穷时，\\(R(z)\\) 趋于 \\(-1\\)，而不是零。因此，它无法强烈抑制刚性很强的衰减模态，也不具有 L 稳定性。"
    }
  ],
  "links": [
    "numerical-analysis",
    "integral",
    "mathematical-function",
    "polynomial",
    "interpolation",
    "continuous-function",
    "riemann-integral",
    "riemann-sum",
    "derivative",
    "convex-function",
    "big-o-notation",
    "asymptotic-expansion",
    "fourier-series",
    "analytic-function",
    "floating-point-arithmetic",
    "curse-of-dimensionality",
    "ordinary-differential-equation",
    "numerical-stability"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}